연구진은 로봇 조작 시 RGB 이미지만으로는 깊이 모호성 및 원근 척도 문제로 인해 미세한 공간 추론이 어렵다는 점에 주목했어요. 이를 해결하기 위해 포인트 클라우드를 카르테시안 공간에서 푸리에 공간으로 매핑하여 에이전트가 고주파 특징에 직접 접근하도록 했습니다. RoboCasa 및 ManiSkill3 벤치마크와 실제 로봇 환경에서 실험 결과, 푸리에 특징이 다양한 인코더 아키텍처와 벤치마크에서 상당한 이점을 제공하는 것을 확인했어요.
푸리에 특징은 정책이 기하학적 세부 사항을 보다 효과적으로 활용하도록 돕고, 카르테시안 특징보다 성능이 우수했어요. 연구 결과는 포인트 클라우드 기반 모방 학습을 위한 일반적인 도구로서의 잠재력을 보여줍니다. 프로젝트 페이지에서 소스 코드와 영상을 확인할 수 있어요.
연구진은 푸리에 특징을 활용하여 정책이 기하학적 세부 사항을 더 효과적으로 활용할 수 있음을 입증하며, 이는 고정밀 로봇 조작에 기여할 것으로 기대됩니다.